基于深度卷积对抗神经网络的多孔质材料三维重构方法技术

本发明专利技术公开了一种基于深度卷积对抗神经网络的多孔质材料三维重构方法，包括以下步骤：S1、对选用的多孔质材料进行SEM扫描获得表面图像；S2、对获得的图像进行预处理，包括图像切割、二值化、去噪；S3、将预处理好的图像导入DCGAN网络进行对抗生成训练；S4、由生成网络所生成的图像进行三维重构。本发明专利技术采用基于SEM电镜图像，结合深度卷积神经网络对抗神经网络(DCGAN)的方法进行三维重构。相比传统方法，本发明专利技术生成的模型更加接近实体，可以很好的用于各项如微流动方向等的研究，同时还具有价格低廉、方法简便、使用快速等特点。

Three-dimensional reconstruction of porous materials based on deep convolution countermeasure neural network

The invention discloses a method for three-dimensional reconstruction of porous materials based on depth convolution countermeasure neural network, which includes the following steps: S1, scanning the selected porous materials by SEM to obtain surface images; S2, preprocessing the obtained images, including image cutting, binarization and denoising; S3, introducing the preprocessed images into DCGAN network for countermeasure generation training; S4, S2, and S2. The three-dimensional reconstruction of the image generated by the generating network is carried out. The invention adopts the method of three-dimensional reconstruction based on SEM electron microscope image and combining depth convolution neural network with countermeasure neural network (DCGAN). Compared with the traditional method, the model generated by the invention is closer to the entity, and can be well used for the research of various aspects such as micro-flow direction, and has the characteristics of low cost, simple method and fast use.

【技术实现步骤摘要】
基于深度卷积对抗神经网络的多孔质材料三维重构方法
本专利技术属于材料科学领域，特别涉及一种基于深度卷积对抗神经网络(DCGAN)的多孔质材料三维重构方法。
技术介绍
多孔质气体静压轴承与传统的机械接触式轴承相比具有高精度、低振动、无污染及寿命长等特点，且近年来航空、半导体、生物工程、复合材料等工业的飞速发展的同时也对承载材料做超精密加工的轴承提出了更高的要求。而多孔质静压轴承恰能满足时代的要求，甚至被誉为21世纪最具发展前景的新型轴承。多孔质气体静压轴承作为超精密机床的重要组成部分，其静动态特性一直是研究关注的重点。多孔质材料表面有成千上万个微小节流孔，使其在保证高刚度、高承载的同时还具有较高的稳定性，但孔的大数量及其不规则的分布也大大掣肘着学者对其理论模型的构造、结构和作用规律的研究。以往对于多孔质材料性能的研究过程中，我们往往将多孔质材料理想化成一个均质材料，忽略材料本身不均匀性导致的渗透率分布不均匀以及所体现出来的气膜间隙压力分布不均匀。因此，为了进一步探究多孔质气体静压轴承静、动态特性以及在超精密加工时的流场运动，我们必须将多孔质材料的真实特性考虑到仿真计算当中，以取代以往的本文档来自技高网...

【技术保护点】
1.基于深度卷积对抗神经网络的多孔质材料三维重构方法，其特征在于，包括以下步骤：S1、对选用的多孔质材料进行SEM扫描获得表面图像；S2、对获得的图像进行预处理，包括图像切割、二值化、去噪；S3、将预处理好的图像导入DCGAN网络进行对抗生成训练；S4、由生成网络所生成的图像进行三维重构。

【技术特征摘要】
1.基于深度卷积对抗神经网络的多孔质材料三维重构方法，其特征在于，包括以下步骤：S1、对选用的多孔质材料进行SEM扫描获得表面图像；S2、对获得的图像进行预处理，包括图像切割、二值化、去噪；S3、将预处理好的图像导入DCGAN网络进行对抗生成训练；S4、由生成网络所生成的图像进行三维重构。2.根据权利要求1所述的基于深度卷积对抗神经网络的多孔质材料三维重构方法，其特征在于，所述步骤S1包括以下子步骤：S11、用SEM对选用的多孔质材料表面进行扫描拍照，获得材料表面图像，并将其保存为带有明暗信息的TIFF格式；S12、使用精密磨削方式，对扫描区域进行磨削，每磨削一定深度后利用步骤S11的方法进行扫描拍照，获得多层材料表面图像，建立训练数据库。3.根据权利要求1所述的基于深度卷积对抗神经网络的多孔质材料三维重构方法，其特征在于，所述步骤S2包括以下子步骤：S21、对步骤S1获得的图像进行分割，以图像中心为原点建立坐标系，在任一象限中选取64像素的局部图像进行切割；S22、对所切割的局部图像进行二值化处理，使图像中材料实体部分与孔隙部分分离，二值化处理的阈值为图像的亮度最大值与最小值的平均值；S23、对二值化处理后的图像进行Sigma滤波去噪，在去除噪声的同时保存孔隙边界的不规则形状。4.根据权利要求1所述的基于深度卷积对抗神经网络的多孔质材料三维重构方法，...

【专利技术属性】
技术研发人员：王伟，赵睿，汪承毅，崔海龙，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51